目标跟踪技术经过不断的发展,已经出现卡尔曼滤波、均值漂移和粒子滤波等算法,算法的性能高低决定着跟踪效果的好坏。目前的主流跟踪算法都能适应比较简单的环境,但对于稍微复杂的环境就会出现跟踪精度下降、甚至失败等情况,不能满足对跟踪性能的要求。因此在复杂环境下对跟踪算法性能的提升是一个研究热点。对于与目标颜色相似的背景环境,特别是遮挡的情况,粒子滤波跟踪算法会出现很大的跟踪误差、甚至跟踪失败的情况。在光照、遮挡与旋转等复杂环境中也会出现跟踪精度下降、甚至失败等问题。在遮挡、光照和旋转的复杂环境下,在粒子滤波与传统的颜色与纹理算法结合的基础上,本文主要研究了如何改进算法来提高结合算法的抗遮挡与重采样能力和跟踪精度。主要研究内容包括:1、在复杂环境下,对单一颜色、单一纹理和颜色与纹理相结合算法进行跟踪实验,并通过改变不同的背景环境获得不同的跟踪效果,分析传统的三个跟踪算法的跟踪精度变化趋势及算法对遮挡、光照和旋转的适应程度,得出传统的这三种算法经过几次迭代会出现粒子退化,不能处理严重遮挡的问题。2、针对以上算法的重采样问题,提出一种基于粒子滤波算法的似然分布自适应调整(Adaptive Likelihood Distribution,ALD)算法,根据噪声的因子大小来自适应调整似然分布状态,增加先验和似然的重叠区域,有效提高滤波的稳定性,减少重采样次数。在不同跟踪环境下,根据有效粒子所占用的面积采用动态的粒子阈值来减少重采样次数,在保证一定的跟踪精度前提下,采取动态的粒子个数,减少不复杂环境下本文算法的时间复杂度。3、对遮挡造成跟踪失败的情况,采用跟踪精度更高的改进的三值模式(Local Ternary Patterns,LTP)作为特征,接着用遮挡处理算法来处理,判定所要跟踪的区域,根据模板更新策略判定是否需要模板更新,处理后继续跟踪目标。实验结果表明,此算法在遮挡的情况下也有很好的跟踪精度,对很多跟踪环境具有很好的鲁棒性。